待验证50% 置信事实精确时间
论文推导出了 SEED-MAX 算法正确选择特征的概率下界，表明随着训练数据集规模增大，算法正确识别最优特征子集的概率可以无限接近1。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证该论文提出了 SEED-MAX（Successive Empirical Excess Risk Difference Maximization）算法，将特征选择重新表述为序列嵌套模型选择问题的变体，通过递归计算经验风险来识别最精简但信息量最大的特征子集。77% 相似待验证生成式模型在目录覆盖率维度天然存在劣势，因训练数据中高频物品的语义ID被更充分优化，束搜索倾向选择概率更高的热门路径73% 相似待验证即便固定所有随机种子，在不同硬件或并行度下，训练结果仍可能出现被大模型放大为显著能力差异的细微偏差72% 相似待验证零样本分类的所有候选项得分之和为 1，候选项越少各项可获得的概率空间越大，因此阈值参数需根据具体类别数量单独校准69% 相似待验证深度学习中的随机种子控制权重初始化、数据加载批次打乱顺序、Dropout神经元随机失活以及优化器中的随机梯度估计等多个随机性来源68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029516API
curl https://kongchang.com/api/v1/knowledge/claims/1029516MCP
get_claim(id=1029516)